python爬虫学习笔记-selenium

简介

• selenium
  • 是一种浏览器自动化的工具，所谓的自动化是指，我们可以通过代码的形式制定一系列的行为动作，然后执行代码，这些动作就会同步触发在浏览器中。

环境安装

• 下载安装selenium：pip install selenium
• 下载浏览器驱动程序：
  • http://chromedriver.storage.googleapis.com/index.html
• 查看驱动和浏览器版本的映射关系：
  • http://blog.csdn.net/huilan_same/article/details/51896672

效果展示

from selenium import webdriver
from time import sleep

# 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
driver = webdriver.Chrome(r'./chromedriver')
# 用get打开百度页面
driver.get("http://www.baidu.com")
# 查找页面的“设置”选项，并进行点击
driver.find_element_by_xpath('//*[@id="s-usersetting-top"]').click()
sleep(2)
# # 打开设置后找到“搜索设置”选项，设置为每页显示50条
driver.find_elements_by_link_text('搜索设置')[0].click()
sleep(2)

# 选中每页显示50条
m = driver.find_element_by_xpath('//*[@id="nr_3"]').click()
sleep(2)

# 点击保存设置
driver.find_element_by_xpath('//*[@id="se-setting-7"]/a[2]').click()
sleep(2)

# 处理弹出的警告页面   确定accept() 和 取消dismiss()
driver.switch_to_alert().accept()
sleep(2)
# 找到百度的输入框，并输入 美女
driver.find_element_by_id('kw').send_keys('美女')
sleep(2)
# 点击搜索按钮
driver.find_element_by_id('su').click()
sleep(2)
# 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
driver.find_element_by_xpath('//*[@id="1"]/div/h3/a').click()
sleep(3)

# 关闭浏览器
driver.quit()

浏览器创建

• Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等.另外，也支持无界面浏览器。

• from selenium import webdriver
    
  browser = webdriver.Chrome()
  browser = webdriver.Firefox()
  browser = webdriver.Edge()
  browser = webdriver.PhantomJS()
  browser = webdriver.Safari()
  

元素定位

• webdriver 提供了一系列的元素定位方法，常用的有以下几种：

• find_element_by_id()
  find_element_by_name()
  find_element_by_class_name()
  find_element_by_tag_name()
  find_element_by_link_text()
  find_element_by_xpath()
  find_element_by_css_selector()
  

节点交互

• Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。

执行js

对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现。

from selenium import webdriver
from time import sleep
#1.创建一个浏览器对象,executable_path指定当前浏览器的驱动程序
#注意：我当前是mac系统，驱动程序也是mac版本的，如果是window系统注意更换驱动
bro = webdriver.Chrome(executable_path='./chromedriver')
#2.浏览器的请求发送
bro.get('https://www.jd.com/')
#3.标签定位:调用find系列的函数进行标签定位
search_box = bro.find_element_by_xpath('//*[@id="key"]')
#4.节点交互
search_box.send_keys('mac pro m1')#向指定标签中录入内容
sleep(2)
btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
btn.click() #点击按钮
sleep(2)
#js注入
bro.execute_script('document.documentElement.scrollTo(0,2000)')
sleep(5)
#关闭浏览器
bro.quit()

• 思考：在爬虫中为什么需要使用selenium？selenium和爬虫之间的关联是什么？

  • 便捷的爬取动态加载数据（可见即可得）

    • #获取前5页的企业名称
      from selenium import webdriver
      import time
      from lxml import etree
      
      bro = webdriver.Chrome(executable_path='./chromedriver')
      url = 'http://scxk.nmpa.gov.cn:81/xk/'
      bro.get(url=url)
      time.sleep(1)
      #获取页面源码数据(page_source)
      page_text = bro.page_source
      #将前5页的页面源码数据存储到该列表中
      all_page_text_list = [page_text]
      for i in range(4):
          #点击下一页
          next_page_btn = bro.find_element_by_xpath('//*[@id="pageIto_next"]')
          next_page_btn.click()
          time.sleep(1)
          all_page_text_list.append(bro.page_source)
      
      for page_text in all_page_text_list:
          #解析数据
          tree = etree.HTML(page_text)
          li_list = tree.xpath('//*[@id="gzlist"]/li')
          for li in li_list:
              title = li.xpath('./dl/@title')[0]
              print(title)
      
      time.sleep(2)
      bro.quit()
      

  • 便捷实现模拟登录

    • 后面在说

获取页面源码数据

通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了。

前进和后退

#模拟浏览器的前进后退
from selenium import webdriver
import time

browser = webdriver.Chrome(r'./chromedriver')
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')

browser.back()
time.sleep(2)
browser.forward()
time.sleep(2)

browser.close()

获取动态加载数据

• 实现可见即可得

动作链

在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

from selenium.webdriver import ActionChains
from selenium import webdriver
from time import sleep
bro = webdriver.Chrome(executable_path='./chromedriver')
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
sleep(1)
#注意：如果定位的标签是存在于iframe表示的子页面中，则常规的标签定位报错
#处理：使用如下指定操作
bro.switch_to.frame('iframeResult')
div_tag = bro.find_element_by_id('draggable')

#实例化一个动作链对象且将该对象绑定到指定的浏览器中
action = ActionChains(bro)
action.click_and_hold(div_tag) #对指定标签实现点击且长按操作
for i in range(5):
    action.move_by_offset(10,10).perform() #perform让动作链立即执行
    sleep(0.5)
sleep(3)
bro.quit()

带验证码的模拟登录

• 登录bilibili

  • https://passport.bilibili.com/login?from_spm_id=333.851.top_bar.login_window

• 识别验证码模块封装：

• import base64
  import json
  import requests
  # 一、图片文字类型(默认 3 数英混合)：
  # 1 : 纯数字
  # 1001：纯数字2
  # 2 : 纯英文
  # 1002：纯英文2
  # 3 : 数英混合
  # 1003：数英混合2
  #  4 : 闪动GIF
  # 7 : 无感学习(独家)
  # 11 : 计算题
  # 1005:  快速计算题
  # 16 : 汉字
  # 32 : 通用文字识别(证件、单据)
  # 66:  问答题
  # 49 :recaptcha图片识别
  # 二、图片旋转角度类型：
  # 29 :  旋转类型
  #
  # 三、图片坐标点选类型：
  # 19 :  1个坐标
  # 20 :  3个坐标
  # 21 :  3 ~ 5个坐标
  # 22 :  5 ~ 8个坐标
  # 27 :  1 ~ 4个坐标
  # 48 : 轨迹类型
  #
  # 四、缺口识别
  # 18 : 缺口识别（需要2张图 一张目标图一张缺口图）
  # 33 : 单缺口识别（返回X轴坐标 只需要1张图）
  # 五、拼图识别
  # 53：拼图识别
  #函数实现忽略
  def base64_api(uname, pwd, img, typeid):
      with open(img, 'rb') as f:
          base64_data = base64.b64encode(f.read())
          b64 = base64_data.decode()
      data = {"username": uname, "password": pwd, "typeid": typeid, "image": b64}
      result = json.loads(requests.post("http://api.ttshitu.com/predict", json=data).text)
      if result['success']:
          return result["data"]["result"]
      else:
          return result["message"]
      return ""
  
  
  def getImgCodeText(imgPath,imgType):#直接返回验证码内容
      #imgPath：验证码图片地址
      #imgType：验证码图片类型
      result = base64_api(uname='图鉴的账号', pwd='图鉴的密码', img=imgPath, typeid=imgType)
      return result
  
  

• from selenium import webdriver
  from selenium.webdriver import ActionChains
  from time import sleep
  import tujian
  #1.创建浏览器对象
  bro = webdriver.Chrome(executable_path='./chromedriver')
  #2.发起请求
  login_url = 'https://passport.bilibili.com/login?from_spm_id=333.851.top_bar.login_window'
  bro.get(login_url)
  sleep(1)
  #3.定位到指定标签填充用户名和密码
  user_box = bro.find_element_by_xpath('//*[@id="login-username"]')
  user_box.send_keys('15027900535')
  sleep(1)
  pwd_box = bro.find_element_by_xpath('//*[@id="login-passwd"]')
  pwd_box.send_keys('1234567890')
  sleep(1)
  login_btn = bro.find_element_by_xpath('//*[@id="geetest-wrap"]/div/div[5]/a[1]')
  login_btn.click()
  sleep(1)
  #4.定位完整的验证码对话框
  #注意：在开发者工具中是可以定位到多个div表示验证码对话框的，因此将这几个div都定位到，以此去尝试
  code_tag = bro.find_element_by_xpath('/html/body/div[2]/div[2]/div[6]/div/div')
  sleep(1)
  #5.识别验证码（使用打码平台进行验证码识别）
  code_tag.screenshot('./code.png')#将验证码对话框截图保存
  sleep(1)
  #使用图鉴接口识别
  result = tujian.getImgCodeText('./code.png',27)#获取了识别的结果
  # result = '154,251|145,167'
  # print(result)
  result_list = result.split('|')
  #result_list == ['154,251','145,167']
  #6.根据识别出验证码的结果进行处理
  for pos in result_list:
      x = int(pos.split(',')[0])
      y = int(pos.split(',')[1])
      ActionChains(bro).move_to_element_with_offset(code_tag,x,y).click().perform()
      sleep(0.5)
  
  confirm_btn = bro.find_element_by_xpath('/html/body/div[2]/div[2]/div[6]/div/div/div[3]/a/div')
  confirm_btn.click()
  sleep(3)
  bro.quit()1
  

Cookie

使用Selenium，还可以方便地对Cookies进行操作，例如常见的获取Cookies，示例如下：

• get_cookies()返回值是由字典组成的列表，叫做jsonCookies。
• 需要将jsonCookies解析成浏览器携带的cookie形式

#获取jsonCookies
from selenium import webdriver
import time

browser = webdriver.Chrome(r'./chromedriver')
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.close()

• 解析jsonCookies成浏览器的cookie形式

• from selenium import webdriver
  import time
  
  browser = webdriver.Chrome(r'./chromedriver')
  browser.get('https://www.zhihu.com/explore')
  #获取cookie
  cookies = browser.get_cookies()
  #解析cookie
  dic = {}
  for cookie in cookies:
      key = cookie['name']
      value = cookie['value']
      dic[key] = value
  print(dic) #在爬虫中可以使用的cookie
  browser.close()
  

• 基于selenium获取cookie后，绕过模拟登录

• from selenium.webdriver import Chrome
  import time
  import json
  
  web = Chrome('./chromedriver')
  web.get('https://www.17k.com/')
  time.sleep(3)
  # 登录
  web.find_element_by_xpath('//*[@id="header_login_user"]/a[1]').click()
  
  # 切换iframe
  iframe = web.find_element_by_xpath('/html/body/div[20]/div/div[1]/iframe')
  web.switch_to.frame(iframe)
  
  web.find_element_by_xpath('/html/body/form/dl/dd[2]/input').send_keys("15027900535")
  web.find_element_by_xpath('/html/body/form/dl/dd[3]/input').send_keys("bobo328410948")
  web.find_element_by_xpath('/html/body/form/dl/dd[5]/input').click()
  
  time.sleep(3)
  cookies = web.get_cookies()
  
  # 存文件里
  with open("cookies.txt", mode="w", encoding='utf-8') as f:
      f.write(json.dumps(cookies))
  
  
  # 组装cookie字典, 直接给requests用
  dic = {}
  for cook in cookies:
      dic[cook['name']] = cook['value']
  # 衔接. 把cookie直接怼进去
  import requests
  #访问的书架（获取书架内容）
  url = "https://user.17k.com/ck/author/shelf?page=1&appKey=2406394919"
  headers = {
      'cookie':dic
  }
  resp = requests.get(url,cookies=dic)
  print(resp.text)
  
  web.close()
  
  

无头浏览器

无头浏览器就是没有可视化界面的浏览器

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time

# 创建一个参数对象，用来控制chrome以无界面模式打开
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 驱动路径
path = './chromedriver'
# 创建浏览器对象
browser = webdriver.Chrome(executable_path=path,options=chrome_options)

# 上网
url = 'http://www.baidu.com/'
browser.get(url)
time.sleep(3)

browser.save_screenshot('baidu.png')

browser.quit()

规避检测（重要）

• 现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为 undefined或者为false。而使用selenium访问则该值为true。那么如何解决这个问题呢？

  • 实现js注入，绕过检测

• from selenium.webdriver import ActionChains
  from selenium.webdriver import Chrome
  from selenium.webdriver.chrome.options import Options
  
  chrome_options = Options()
  chrome_options.add_argument("--disable-blink-features=AutomationControlled")
  chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')
  
  driver = Chrome('./chromedriver',options=chrome_options)
  #Selenium在打开任何页面之前，先运行这个Js文件。
  with open('./stealth.min.js') as f:
      js = f.read()
  #进行js注入，绕过检测
  #execute_cdp_cmd执行cdp命令（在浏览器开发者工具中执行相关指令，完成相关操作）
  #Page.addScriptToEvaluateOnNewDocument执行脚本
  driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
    "source": js
  })
  
  driver.get('https://www.taobao.com')
  
  

• 12306再次测试

  • 没有实现规避检测代码时的登录：

    • from selenium.webdriver import Chrome
      from selenium.webdriver import ActionChains
      from time import sleep
      
      web = Chrome(executable_path='./chromedriver')
      
      web.get("https://kyfw.12306.cn/otn/resources/login.html")
      sleep(2)
      web.find_element_by_xpath('//*[@id="toolbar_Div"]/div[2]/div[2]/ul/li[1]/a').click()
      web.find_element_by_xpath('//*[@id="J-userName"]').send_keys("[email protected]")
      sleep(1)
      web.find_element_by_xpath('//*[@id="J-password"]').send_keys("111111")
      sleep(1)
      web.find_element_by_xpath('//*[@id="J-login"]').click()
      sleep(3)
      action = ActionChains(web)
      # 找到滑块
      btn = web.find_element_by_xpath('//*[@id="nc_1_n1z"]')
      action.click_and_hold(btn)
      for i in range(5):
          action.move_by_offset(50,0).perform()
          sleep(0.5)
      sleep(3)
      web.close()
      

  • 实现规避检测后：

    • from selenium.webdriver import Chrome
      from selenium.webdriver import ActionChains
      from time import sleep
      from selenium.webdriver.chrome.options import Options
      chrome_options = Options()
      chrome_options.add_argument("--disable-blink-features=AutomationControlled")
      chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')
      
      web = Chrome(executable_path='./chromedriver',options=chrome_options)
      #Selenium在打开任何页面之前，先运行这个Js文件。
      with open('./stealth.min.js') as f:
          js = f.read()
      #进行js注入，绕过检测
      web.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
        "source": js
      })
      
      web.get("https://kyfw.12306.cn/otn/resources/login.html")
      sleep(2)
      web.find_element_by_xpath('//*[@id="toolbar_Div"]/div[2]/div[2]/ul/li[1]/a').click()
      web.find_element_by_xpath('//*[@id="J-userName"]').send_keys("[email protected]")
      sleep(1)
      web.find_element_by_xpath('//*[@id="J-password"]').send_keys("111111")
      sleep(1)
      web.find_element_by_xpath('//*[@id="J-login"]').click()
      sleep(3)
      action = ActionChains(web)
      # 找到滑块
      btn = web.find_element_by_xpath('//*[@id="nc_1_n1z"]')
      action.click_and_hold(btn)
      for i in range(5):
          action.move_by_offset(50,0).perform()
          sleep(0.5)
      sleep(3)
      web.close()